点击下载 - sihua.us

Report
生 物 统 计 学
第3章
统计推断
彭司华
2014年9月
第3章
统计推断
统计推断的意义和内容
统计推断(statistical inference):利用研究获得
的样本信息和假定的模型对总体特征做出概率性的推
断。
参数估计(parametric estimation):利用样本统计
数去估计总体参数。
假设测验(test of hypothesis):又称为假设检验
或显著性检验(test of significance)。对未知或
不完全知道的总体特征提出假设,由样本的实际结果
通过一定的计算去判断假设的正确性。常用方法的有u
2
测验、t测验、F测验和  测验
3.1假设检验的基本原理
例 4.1 某 鱼 饲 料 厂 装 包 机 工 作 正 常 时 , 额 定 标 准 是 每 袋 净 重
μ0=50.0kg,根据长期检测,标准差σ0 =0.15kg。现为了检验装
包机工作是否正常,随机抽取它包装的9袋饲料,称重结果是:
49.8 , 50.0 , 50.4 , 50.4 , 49.9 , 50.2 , 50.4 , 50.4 , 50.3
(kg)。问能否根据这9袋饲料的重量,判定装包机现在工作仍正
常?
X   0  50.2  50 . 0  0 . 2
有两种原因:1、抽样误差的存在,样本平均数不一定恰好等于已知总体平均数
2、机器出了故障,造成称量不准确
X  0  k
机器正常
X  0  k
机器不正常


P X  0  k  

 

P  Χ  0 / 0  k / 0   
n
n 

或
( Χ  0 ) /

0




P  X  0 / 0  k / 0  u   

n
n


N (0 ,
1)
n
k  u
0
n
0
 1.96  0.15 /
9  0.098( kg )
n
x   0  50.2  50.0  0.2  k  0.098
x  50.2
u 
 1.96
x  0
0
n

5 0 .2  5 0
0 .1 5
u  4 .0  u 0 .0 5  1 .9 6
9
 4 .0
*
假设检验的步骤
例 3.1 某 鱼 饲 料 厂 装 包 机 工 作 正 常 时 , 额 定 标 准 是 每 袋 净 重
μ0=50.0kg,根据长期检测,标准差σ0 =0.15kg。现为了检验装
包机工作是否正常,随机抽取它包装的9袋饲料,称重结果是:
49.8 , 50.0 , 50.4 , 50.4 , 49.9 , 50.2 , 50.4 , 50.4 , 50.3
(kg)。问能否根据这9袋饲料的重量,判定装包机现在工作仍正
常?
第一步 提出测验的假设和标准
无效假设或零假设(null hypothesis)
H 0:    0  50.0
备择假设(alternative hypothesis)
H A:    0  50.0
第二步 选择测验方法和计算统计量
u 
x  0
0
n

5 0 .2  5 0
0 .1 5
 4 .0
*
9
第三步 确定概率P值和做出统计推断
查表得:u0.05=1.96,
则:
u  4 .0  u 0 .0 5  1 .9 6
所以接受HA:   0  50.0 ,也就是现在装包机工作不正常,称重
有偏高的倾向,需要维修。
一
尾
测
验
与
两
尾
测
验
H0:
HA
拒绝域:
 >0
 = 0
 <0
  0
  0
  0
P ( U   u )  
P  U  u / 2   
P ( U  u )  
U  u / 2
U   u
接受域:
U   u
U   u
2
U  u
U  u
U  u / 2
 u / 2  U  u / 2
2
U  u
双尾检验的临界正态离差|U|>单尾检验的临界正态离差|U|
如:U0.05 (双尾) =1.96>U0.05(单尾)=1.64
显著水平与两类错误
第一类错误:弃真, α
第二类错误:存伪, β
总体特征
假设H 0
假设H A
真实
虚假
真实
虚假
所作判定
H0
HA
接受
拒绝
拒绝
接受
虚假
真实
接受
拒绝
虚假
真实
拒绝
接受
判定正错
正 确
错误,Ⅰ
型错误
错误,Ⅱ
型错误
正 确
概率值
大
小
小
大
在统计上不可能同时减小两种统计错误。因为减小α,引起β增
大;减小β, α又增大。故要让α与β同时小,唯一的办法是改进
试验技术,减少试验误差和增加样本容量,降低样本平均数的
标准误。
在无效假设H0下,若Ⅰ型错误引起的后果比Ⅱ型错误的严重,
则α就要取得小些;相反, α就要取得大些。
若试验耗资大,可靠性要求高,不允许有反复,则α应取小些。
试验结论事关重大,容易产生不良后果, α应当取小些。
条件不易控制、易受随机误差影响的试验, α应取大些,可
放宽至0.1,甚至到0.25 。
正确理解差异不显著、差异显著和差异极显著
3.2 平均数的假设检验
3.2.1单个平均数的假设检验
检验样本平均数 X 所属总体平均数  与某一已知值  0 是否相等
u测验:总体方差σ2已知或大样本
t测验:总体方差σ2未知,且为小样本
例3.2 某渔场常年培育的体长规格为15.1~16.0㎝的草鱼种苗,其体重大
小基本稳定在47.5g。现有一批这样的草鱼种苗待出售,随机抽取了20尾,
测定的结果如下:49.0,47.9,43.4,47.9,48.7,47.3,44.8,48.6,
47.9,47.4,49.5,45.3,49.9,47.6,46.6,47.1,47.6,47.9,47.5,
47.8。试检验这一批草鱼种苗是否符合要求?
例3.2 用R语言求解
X<c(49.0,47.9,43.4,47.9,48.7,47.3,44.8,48.6,47.9,47.4,49.5,45.3,49.9,47.6,46.6,47.1,47
.6,47.9,47.5,47.8)
> t.test(X,mu=47.5)
One Sample t-test
V=X[c(1-11, 13-20) )
data: X
t = -0.0434, df = 19, p-value = 0.9658
alternative hypothesis: true mean is not equal to 47.5
95 percent confidence interval:
46.76182 48.20818
sample estimates:
mean of x
47.485
t-test(X, conf.level = 0.99, mu=47.5)
这个样本数据服从正态分布吗?
Shapiro-Wilk normality test
shapiro.test(X)
Shapiro-Wilk normality test
data: X
W = 0.903, p-value = 0.04692
结论:这个样本数据不服从正态分布, 所
以,不适合用T检验的方法。建议用非参
数检验方法来检验。
Wilcoxon符号检验: Wilcoxon signed rank test
wilcox.test(X, mu=47.5, exact=FALSE, correct=FALSE,
conf.int=TRUE)
Wilcoxon signed rank test
data: X
V = 112, p-value = 0.4928
alternative hypothesis: true location is not equal to 47.5
95 percent confidence interval:
46.74995 48.25007
sample estimates:
(pseudo)median
47.65002
Wilcoxon符号检验: Wilcoxon signed rank test
某电池厂称其生产的某种电池,中位数为140安培小时,现随
机从其新生产的电池中抽取20个,检验其寿命,137.0 140.0
138.3 139.0 144.3 139.1 141.7 137.3 133.5 138.2 141.1 139.2 136.5
136.5 135.6 138.0 140.9 140.6 136.3 134.1
用Wilcoxon符号检验分析该厂生产的电池是否符合标准
X<c(137.0,140.0,138.3,139.0,144.3,139.1,141.7,137.3,133.5,138.2,141.1,139.2,136.
5,136.5,135.6,138.0,140.9,140.6,136.3,134.1)
wilcox.test(X, mu=140, alternative="less",
exact=FALSE, correct=FALSE, conf.int=TRUE)
单个均值检验步骤
数据符合正态分布吗?
Shapiro.test(x)
不符合则用非参数检验方法,例如Wilcox检
验),符合则可用u检验或t检验。
当总体方差已知,或未知但为大样本,用u检验
否则用t检验
t.test(X,mu=…)
3.2.2两个平均数比较的假设检验
 成组数据比较
如果两个处理按完全随机设计实施试验,则不论两个处理组的样本
容量是否相等,所得试验资料为成组数据。
目的是进行两总体平均数的比较
1)两总体方差已知,或未知、但为大样本 (u测验 )
2)两总体方差未知,但假定相等、且两样本为小样本 (t测验 )
•
TouErLiao<-c(175,132,218,151,200,219,234,149,187,123,248,206,179,206)
•
ShiFeijiaErLiao<-c(142,311,337,262,302,195,253,199,236,216,211,176,249,214)
•
t.test(TouErLiao,ShiFeijiaErLiao,alternative=c("two.sided"))
•
Welch Two Sample t-test
•
data: TouErLiao and ShiFeijiaErLiao
•
t = -2.7242, df = 23.306, p-value = 0.01201
•
alternative hypothesis: true difference in means is not equal to 0
•
95 percent confidence interval:
•
-84.92613 -11.64530
•
sample estimates:
例3.4 用R语言求解
•
mean of x mean of y
这题结果错了,大家纠正!
•
187.6429 235.9286
检验两个方差是否相等(齐性)
var.test(TouErLiao, ShiFeijiaErLiao)
F test to compare two variances
data: TouErLiao and ShiFeijiaErLiao
F = 0.4925, num df = 13, denom df = 13, p-value = 0.215
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.1581132 1.5342431
sample estimates:
ratio of variances
0.4925282
检验两组数据是否服从正态分布
shapiro.test(TouErLiao)
shapiro.test(ShiFeijiaErLiao)
> shapiro.test(TouErLiao)
Shapiro-Wilk normality test
data: TouErLiao
W = 0.9643, p-value = 0.7933
> shapiro.test(ShiFeijiaErLiao)
Shapiro-Wilk normality test
data: ShiFeijiaErLiao
W = 0.9731, p-value = 0.9152
假如上述数据不符合正态分布怎么办?
• 用wilcom检验
Wilcoxon符号检验: Wilcoxon signed rank test (两组数据比较)
测量了10名不同作业组的工人血铅含量,分析两组之间是否有
差别。
非铅作业组 24 26 29 34 43 58 63 72 87 101
含铅作业组 82 87 97 121 164 208 213
x<-c(24, 26, 29, 34, 43, 58, 63, 72, 87, 101)
y<-c(82, 87, 97, 121, 164, 208, 213)
wilcox.test(x,y,alternative="less",exact=FALSE,correct=FALSE)
wilcox.test(x, y, alternative="less", exact=FALSE)
Wilcoxon rank sum test with continuity correction
data: x and y
W = 4.5, p-value = 0.001698
alternative hypothesis: true location shift is less than 0
3)两总体方差末知,假定方差不等、且两样本为小样本(t’检验)
做两个均值检验的步骤:
 两组样本都符合正态分布吗?
Shapiro正态性检验: Shapiro.test(x)
 方差已知,或未知,但为大样本,u检验。
 否则t检验
 两组数据间是方差齐性?
var.test(TouErLiao, ShiFeijiaErLiao)
 均值检验
(1) 方差齐性:t.test(…, var.equal = TRUE,...)
(2) 方差不齐: t.test(…, var.equal = FALSE,...)
例3.6 的R语言实现
x<-c(5.9,3.8,6.5,18.3,18.2,16.1,7.6)
y<-c(7.5,0.5,1.1,3.2,6.5,4.1,4.7)
正态性检验:
shaporo.test(x): p-value = 0.07625
shapiro.test(y): p-value = 0.7961
方差齐性检验:
var.test(x,y): p-value = 0.04695
T检验
t.test(x, y, var.equal =FALSE)
> t.test(x, y, var.equal =FALSE)
Welch Two Sample t-test
data: x and y
t = 2.6951, df = 7.953, p-value = 0.02743
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.000306 12.942552
sample estimates:
mean of x mean of y
10.914286 3.942857
结论:差异显著
 成对数据的比较
成对数据:指通过配对设计所获得的数据
配对设计:将试验单位按要求两两配对子。
配对方式:同源配对与自身配对
同源配对:将同品种、同批次、同年龄、同性别、同体重等的两头动物
配成对子。
自身配对:也称同体配对,是指同一试验单位接受两种不同的处
配对设计要求:对子内两试验单位的初始条件应尽量一致
对子间的试验单位允许有差异存在
配对设计资料统计分析:一般采用t测验。
X<-c(82.5,85.2,87.6,89.9,89.4,90.1,87.8,87.0,88.5,92.4)
Y<-c(91.7,94.2,93.3,97.0,96.4,91.5,97.2,96.2,98.4,95.8)
shapiro.test(X): p-value = 0.8666
shapiro.test(Y):p-value = 0.3787
var.test(X,Y): p-value = 0.6582
t.test(X,Y,conf.level =0.99, var.equal =TRUE,paired =TRUE)
Paired t-test
data: X and Y
t = -7.8791, df = 9, p-value = 2.499e-05
alternative hypothesis: true difference in means is not equal to 0
99 percent confidence interval:
-10.070877 -4.189123
例3.6 用R语言求解
sample estimates:
mean of the differences
-7.13
3.3二项成数的假设检验(百分率假设检验)
 死亡率、成活率、有效率、发病率等水产生产和科研试验结果用成数或百
分数表示,是由计数某一属性的个体数目求得,属于间断性计数资料。
 理论上计数资料具有二项性质,应在二项分布的基础上进行假设测验。
 但n较大、p不过小或过大,且np和nq又均大于5时,二项分布接近正态分
布。因此,服从二项分布的成数或百分数资料,只要样本容量足够大,可
作近似正态处理,即可用u测验来分析服从二项分布的资料。
 标准正态分布就是自由度为无穷的t分布,故二项成数资料可用t测验
3.3.1单个成数的假设测验
推断一个样本成数或百分数所属的总体百分数与已知的总体百分数
是否相符合,或是否是来自于一个总体百分数已知的总体。
也即推断一个服从二项分布的样本百分数与总体百分数的差异显著
性
设在总体百分数为p的二项总体中观察了n个体,其中某结果发生x个
X ~ B ( n, p) n  
则:
U
或者表示为:  x / n
pˆ  x / n
样本百分数:
x- np

可改写成:U
np( 1- p)
那 么 :  pˆ  p ,
 pˆ 
X ~ N( np, np( 1- p) )
x n p
p (1  p ) n
p (1  p ) n

pˆ  p
 pˆ
p (1  p ) n
当 然 为 使 计 算 简 便 起 见 , 可 用 S pˆ 作  pˆ 的 估 计 量
就有近似等式:u 

pˆ  p
pˆ  p
S pˆ

pˆ  p
pˆ (1  pˆ ) n
S pˆ 
从而有:
pˆ (1  pˆ ) n
 pˆ  p

P
 u   1  
 S

pˆ


例3.7 某种鱼药治愈率为90%,今在该药中加入一种助效药,治疗100条病
鱼,其中有5条没有治好而死亡,问加入助效药后该药的疗效加强了没有?
注意:
二项成数的u测验或t测验,是一种正态近似法,n小,近似程度低,在测验
时,因样本容量小而产生偏倚,需采用如下检验统计量矫正:
u c  ( x  np  1 / 2) /
npq  [ pˆ  p  1 /(2 n )] /
p (1  p ) / n
有人建议两尾测验时,检验统计量中的值作如下矫正:
若|x-np|中的小数部分≤0.5,则略去小数。如|x-np|=7.3,则|x-np|=7.0。
若|x-np|中的小数部分在>0.5与≤ 1.0,则用0.5代替这小数部分。如,|xnp|=8.73,则取|x-np|=8.5;|x-np|=5.0,则取|x-np|=4.5。
一个样本频率的假设检验(补充内容)
检验一个样本频率
与某一理论频率 p0 的差异显著性。
根据 n 和 p 的大小,其检验方法是不一样的 :
当 np 或 nq <5 , 则由二项式
展开式直接检验。
当 np 或 nq > 5时,二项分布趋近正态,可用u 检验,但需进行
连续性矫正。
如 np 或 nq 均大于30 时,则可不进行连续性矫正。
说明:教材中的内容不很具体,且例子选择不当。故做此补充。
一个样本频率的假设检验(补充内容)
样本频率的标准误
为:
不矫正时的 u 值计算式为:
矫正时的u值计算式为:
>p时,取“-”号,在
<p时,取“+”号。
例3.7 用R语言求解
binom.test(95,100,p=0.9)
按照以往经验,新生儿染色体异常率一般为1%,某医院观
察了当地400名新生儿,有一例染色体异常,问该地区新生
儿染色体是否低于一般水平?
binom.test(1,400,p=0.01,alternative="less")
Exact binomial test
data: 1 and 400
number of successes = 1, number of trials = 400, p-value = 0.09048
alternative hypothesis: true probability of success is less than 0.01
95 percent confidence interval:
0.0000000 0.0118043
sample estimates:
probability of success
0.0025
有一批蔬菜种子的平均发芽率为P=0.85,现在随机抽取500
粒,用种衣剂进行浸种处理,结果有445粒发芽,问种衣
剂有无效果。
命令:
binom.test(445,500,p=0.85)
3.3.2两个成数比较的假设测验
测验两个样本百分数或成数
pˆ 1与 pˆ 2 的差异显著性,旨在推断两个样
本百分数所对应的总体百分数p1与p2是否相等
pˆ 1  pˆ 2 ~ N (  pˆ 1  pˆ 2 , 
其中:
 pˆ
1

那么:
pˆ 2
2
pˆ 1  pˆ 2
u
2
pˆ 1  pˆ 2
)
  pˆ 1   pˆ 2  p1  p 2

 pˆ 1 
2
pˆ 1

2
pˆ 2

pˆ 2    pˆ 1  pˆ 2

2
pˆ 1  pˆ 2
p1 (1  p1 )

p 2 (1  p 2 )
n1

n2
 pˆ 1 
pˆ 2    p1  p 2 
p1 (1  p1 )

p 2 (1  p 2 )
n1


P





 pˆ 1  pˆ 2    p1  p 2 
 u   1  

p1 (1  p1 ) p 2 (1  p 2 )


n1
n2

n2
~ N (0,1)
或者:
 pˆ 1 
t=
pˆ 2    p1  p 2 
p1 (1  p1 )

p 2 (1  p 2 )
n1
~ t ( n1  n 2  2)
n2
若 两 个 总 体 的 百 分 数 相 同 , 即 p1  p 2  p , 则

2
pˆ 1  pˆ 2
 1
1 


 p (1  p )
 n1 n 2 
在 两 总 体 百 分 数 p 1与 p 2 未 知 时 , 则 在 两 总 体 方 差 
2
pˆ 1

2
pˆ 2
假设下,
可 用 两 样 本 百 分 数 的 加 权 平 均 值 p作 为 p1与 p 2的 无 偏 估 计
p=
x 1 +x 2
n 1 +n 2
s
2
pˆ 1  pˆ 2
 1
x 1 +x 2
x 1 +x 2  1
1 
1 


(1 
)

 p (1  p ) 

n
n
n
+n
n
+n
n
n
 1
2 
1
2
1
2  1
2 
和单样本率的显著性测验一样,当样本容量小时也需作连续性矫正,其
方法是测验统计量采用如下形式:
tc 
pˆ 1  pˆ 2  ( n1  n 2 ) 2 n1 n 2
s pˆ 1  pˆ 2
例3.8 某渔场发生了烂腮病,观察发现,靠近渔民居住区的Ⅰ号鱼池的烂
腮病比远离居住区的Ⅱ号鱼池的烂腮病严重。于是,抽查Ⅰ号鱼池中的
200尾鱼,其中患该病的有120尾;抽查Ⅱ号鱼池中的500尾鱼,其中患该
病的有240尾,试问Ⅰ号鱼池的烂腮病发生率是否比Ⅱ号鱼池的高?
3.4 参数估计
3.4.1 基本概念
参数估计就是用样本统计数估计总体参数,如用样本平均数估计总体平均数µ,
用样本方差s2估计总体方差σ2
被估计的总体参数称为待估参数,用于估计总体参数的统计量称为估计量,估计
量的一个取值称为总体参数的估计值
点估计(point estimation):样本统计量的值估计总体参数的大小
如果估计量的数学期望(总体均数)等于待估参数,则称该估计量为无偏估计量,
它的值称为待估参数的无偏估计值
E(X )  ,
x  ˆ
E (S )   ,
2
2
s  ˆ
2
2
有效无偏估计量:n相同时,总体方差小于另一个无偏估计量的总体方差的无偏估计
量,其值称为有效估计值;
最有效的估计量:又称为最佳无偏估计量,总体方差在所有无偏估计量中是最小的
一个无偏估计量,其值称为最有效或最佳无偏估计值。
如: 容量为n的样本来自于正态总体N(µ,σ2),则样本 x 与s2分别是µ 与σ2的最
佳无偏估计量
一致估计量:估计量与样本容量n有关,n越大,估计总体参数的精确性
就越高;若n趋向无穷时,依概率收敛于被估参数的估计量
区间估计(interval estimation):在充足的概率保证下估计出一个包
含总体参数值的区间。
置信区间(confidence interval):在充足的概率保证下估计的一个包
含总体参数值的区间,用[L1, L2]或 x    或 pˆ   p 表示
置信限(confidence limit):置信区间的上、下界限,一般以L1和L2分
别表示置信下限和上限。
置信距:置信区间的长度,又称为置信半径,用Δμ或Δp表示
置信度或置信概率(confidence probability):保证置信区间(能够
覆盖总体参数的概率,以p=1-α表示。
3.4.2 总体平均数的置信区间
3.4.2.1 总体方差σ2已知
即样本容量为n,平均数为 x 的样本是从方差为σ2总体中抽取
将有1- α的样本 x 值将落在
 x 

P
 u   1  
 x

化简得置信区间:
或
有:
x  u  x    x  u  x
x  u
L1  x  u 

n

n
   x  u
L2  x  u

n

n
,
  =u 

n
3.4.2 .2 总体方差σ2未知
总体方差σ2需由样本均方s2估计
对 于 大 样 本 , 总 体 平 均 数 的 置 信 区 间 为 : x  u s x    x  u s x
也 就 是 : x  u
s
n
   x  u
s
n
对 于 小 样 本 , 总 体 平 均 数 的 置 信 区 间 为 : x  t ( n  1) s x    x  t  ( n  1) s x
也 就 是 : x  t ( n  1)
s
n
   x  t  ( n  1)
s
n
3.4.3 两总体平均数差数(μ1-μ2)的置信限
主要估计两总体平均数μ1和μ2至多能差多少,至少能差多少。
4.4.3.1两总体方差已知或方差未知但为大样本
 1-  2的 1 -  置 信 区 间 为 :
 x1  x 2   u   x  x
1
2
  1-  2   x1  x 2   u   x1  x 2
式中
1
2
 x1  x 2 =
n1
2
2
+
n2
2
或 由 s x1  x 2 =
s1
n1
2
+
s2
n2
估计
3.4.3.2 两总体方差未知但假定相等,且为小样本
 1-  2的 1 -  置 信 区 间 为 :
 x1  x 2   t ,( n  n
1
2
2)
s x1  x 2   1-  2   x1  x 2   t  ,( n1  n 2  2 ) s x1  x 2
2
2
( n1  1) s1  ( n 2  1) s 2  1
1 
s x1  x 2 =


 n1  n 2  2
 n1 n 2 
s1  s 2
2
当 n1 =n2 =n时 s x1  x 2 = 2
n
3.4.3.3 两总体方差未知但假定不相等,且为小样本
 x1  x 2   t , s x  x
 1-  2的 1 -  置 信 区 间 为 :
式中
s x1  x 2 
2
1
s
n1

s
2
2
n2
1
,
 
(s  s )
2
x1
s 
2
x1
2
x2
2
n1  1

  1-  2   x1  x 2   t  , s x1  x 2
2
2
s 
2
x2
2
n2  1

s
2
1
s
2
1
n1  s
n1 
n1  1
2

n2 
2
2
s
2
2
2
n2 
n2  1
2
3.6.3.4 成对数据总体差数μd的置信限
 d的 1 -  置 信 区 间 为 :
d  t ,( n 1) s d   d  d  t ,( n 1) s d
3.4.4
sd  sd
2
n
 n
 
1
2
n =   d j    d j   /( n  1)
 j 1

n  j 1



n
二项总体百分数的置信区间
可按二项分布或正态分布来估计。
二项分布估计所得结果较为精确,可根据样本容量n和某一属性的个
体数f,查已制好的二项分布的置信区间统计表即得总体的上下限。
当然也可有正态分布估计,仅是一个近似值,
pˆ  u   Pˆ  p  pˆ  u   Pˆ
或 : pˆ  u  s Pˆ  p  pˆ  u  s Pˆ
s pˆ 
pˆ (1  pˆ ) / n
3.4.5
两个二项总体百分数差数的置信区间
这一估计只有在已经明确两个百分数间有显著差异时才有意义。
p1 -p2 的 1 -  置 信 区 间 为 :
 pˆ 1 

pˆ 2   u  
pˆ 1  pˆ 2

pˆ 1  pˆ 2
 p1  p 2 
p1 (1  p1 )
n1

 pˆ 1 
p 2 (1  p 2 )
n2
pˆ 2   u  
pˆ 1  pˆ 2
待估总体参数的(1-)%置信区间的一般表达如下:
点估计值  估计值所在抽样分布的界值  估计值的标准误
区间估计也可用于假设测验。
若H0所假设的参数恰恰落在(1-α)%置信区间内,则在
水平上接受H0;反之,则否定H0,接受HA。
对于习题3.11 R语言解答
a<-c(7.4,9.1,6.8,8.5,8.3,9.5,6.5,7.9,7.0,7.7)
b<-c(8.9,8,6.1,12.0,7,9.7,8.7,10.3,11.8,7.8)
第一步:做正态性检验
shapiro.test(a): p-value = 0.8868
shapiro.test(b): , p-value = 0.8114
第二步:做方差齐性检验: var.test(a,b):p-value = 0.05651
第三步:做T检验:t.test(a,b, var.equal=TRUE)
Two Sample t-test
data: a and b
t = -1.6833, df = 18, p-value = 0.1096
alternative hypothesis: true difference in means is not equal to 0
结论:差异不显著!

similar documents